本篇综述着重探讨了基于扩散模型的时间序列预测、插补和生成方法，并比较了不同应用的方法及其联系，最后总结了现有的限制与未来的发展方向。

May, 2023

探索了无特定任务条件下以时间序列为基础的扩散模型，通过自我引导机制，在推理过程中对TSDiff进行条件处理，并且不需要辅助网络或改变训练程序。展示了方法在预测、细化和合成数据生成三个时间序列任务中的有效性。

Jul, 2023

该研究论文介绍了TS-Diffusion，一个通用模型，适用于处理具有采样不规则性、缺失值和大型特征-时间维度等复杂性的时间序列，通过分析、学习和生成时间序列的表示，该模型在传统和复杂时间序列的任务上表现出色，显著优于之前的基准模型。

Nov, 2023

本研究调查了扩散模型在时间序列预测中的应用，介绍了扩散模型的背景信息、条件方法以及其在时间序列预测中的应用，并对11个具体的时间序列实现进行了分析、比较和介绍。本研究在扩散模型在时间序列预测中的应用和对当前领域的最新研究方向提供了全面的探索，为人工智能和时间序列分析领域的研究人员提供了有价值的资源。

Jan, 2024

Denoising diffusion probabilistic models (DDPMs) are becoming the leading paradigm for generative models. In this paper, we propose Diffusion-TS, a novel diffusion-based framework that generates high-quality multivariate time series samples using an encoder-decoder transformer with disentangled temporal representations, aiming to satisfy both interpretability and realness.

Mar, 2024

本篇综述论文全面而彻底地回顾了扩散模型在时间序列和时空数据分析中的应用，通过按照模型类别、任务类型、数据模态和实际应用领域进行分类，提供了对这些模型分析和生成数据的基本了解，旨在为研究人员和从业者提供一个全面的扩散模型应用的理解，以解决传统挑战并在扩散模型框架下探索创新解决方案。

Apr, 2024

通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜力。

Jun, 2024

通过结合变分自动编码器（VAE）和去噪扩散概率模型（DDPM）的思想，我们提出了一种名为TimeAutoDiff的模型，用于生成时间序列表格数据。该模型能够处理各种类型的时间序列表格数据，具有良好的保真度和实用性，并且在生成速度上有显著改进；此外，它还实现了对具有异构特征的多序列时间序列表格数据的有条件生成。

Jun, 2024

该研究提出了一种新型的潜在扩散模型 TimeLDM，用于高质量的时间序列生成。通过对模拟和真实数据集进行评估，我们发现 TimeLDM 持续交付高质量的生成时间序列，优于现有的先进方法。这是首个探索无条件时间序列生成潜在扩散模型潜力并建立了合成时间序列新基准的研究。

Jul, 2024

本研究针对现有时间序列基础模型在处理真实世界数据时的局限，提出了TimeDiT，采用去噪扩散范式来取代时间自回归生成，解决了多分辨率数据的变通道大小、缺失值及信号采样间隔不均等挑战。实验表明，TimeDiT在预测、填补缺失值和异常检测等多种任务上表现优异，具有广泛的应用潜力。

Sep, 2024